Linux常用命令总结

查看当前系统内核

[root@ppp_m_db bin]# uname
Linux
[root@ppp_m_db bin]# 

文件查找命令find

[root@ppp_m_db bin]# find /ppp/base -name "zkCli.sh"
/ppp/base/zookeeper/bin/zkCli.sh
[root@ppp_m_db bin]# find /ppp/base -iname "zkCli.sh" //忽略大小写
/ppp/base/zookeeper/bin/zkCli.sh
[root@ppp_m_db bin]# find /ppp/base -iname "view*.py"
/ppp/base/zookeeper/src/contrib/huebrowser/zkui/src/zkui/views.py //模糊匹配查询

man find //查看更多find指令说明

文件内容查找指令grep

[root@ppp_m_db zookeeper]# grep "info" *.xml  //其中info为关键字,*.xml为正则匹配的文件
build.xml:   this work for additional information regarding copyright ownership.
build.xml:    <target name="version-info" depends="ver-gen,svn-revision">
ivy.xml:  <info organisation="org.apache.zookeeper"
ivy.xml:  </info>

grep 'partial\[true\]' abc.log
grep -o 'engine\[[0-9a-z]*\]' //根据符合的正则表达式过滤
grep -v 'grep' //用于过滤

文件内容统计指令awk

[root@ppp_m_db base]# awk '{print $1,$2,$3}' upload.txt 
#Serial,Station Name, Station
1, B1, 79607S999,
1, B2, 79607S999,

[root@ppp_m_db base]# awk '$1=="1," && $2=="B1,"{print $0}' upload.txt  //$0 代表整行输出
1,        B1,           79607S999,      1,        1,        0,        Accra,                                           6348271.20424,     -23773.65458,        614706.82835,       359.78543,          5.56774,            69.922,          2018-02-20 18:02:13,     BFN15483187,        NOV OEM6,                       OEM060620SN0033,                NOV703GGG.R2,                   70.00,            BDSTAR-RX
[root@ppp_m_db base]# awk '($1=="1," && $2=="B1,") || NR==1{print $0}' upload.txt //NR==1 为携带表头
#Serial,Station Name,   Station Number, State,    Clock Use,Iono Use, Station Description,                            Station ECRF X(m),  Station ECRF Y(m),  Station ECRF Z(m),  Station Earth L(d), Station Earth B(d), Station Earth H(m), Station Vary UTC,   Station Rcv Number, Station Rcv Type,             Station Rcv Soft Version,     Station Rcv Antan Type,       Antan Cable Length, Station Belongto    
1,        B1,           79607S999,      1,        1,        0,        Accra,                                           6348271.20424,     -23773.65458,        614706.82835,       359.78543,          5.56774,            69.922,          2018-02-20 18:02:13,     BFN15483187,        NOV OEM6,                       OEM060620SN0033,                NOV703GGG.R2,                   70.00,            BDSTAR-RX      

[root@ppp_m_db base]# awk -F "," '{print $2}' upload.txt //以逗号,为分隔符,输出第二列
Station Name
        B1
        B2
 //利用awk进行数据统计
awk '{enginner[$1]++}END{for(i in enginner)print i "\t" enginner[i]}'

Sed 指令对文件内容进行批量替换

[root@ppp_m_db base]# sed 's/^Str/String/' upload.txt //此命令只可将替换结果写入控制台
String a = "The beautiful girl's boy friend is Jack".
String b = "The beautiful girl's with and is Jack".
String c = "The beautiful gril love Jack so match".
[root@ppp_m_db base]# sed -i 's/^Str/String/' upload.txt //加入-i参数可以加替换结果写入文件
[root@ppp_m_db base]# sed -i 's/\.$/\;/' upload.txt //将全文末尾的.替换成;
[root@ppp_m_db base]# sed -i 's/Jack/me/g' upload.txt //加入参数-g代表全文替换,要不默认为只替换本行第一次匹配的结果
[root@ppp_m_db base]# sed -i '/^ *$/d' upload.txt //删除文中的空行
[root@ppp_m_db base]# sed -i '/Integer/d' upload.txt //删除文中的指定行

查看进程id

[root@ppp_m_db publish]# ps -ef|grep ConfigSystem-1.0-SNAPSHOT.jar|grep -v grep
root      8755     1  1 Jul31 ?        00:12:00 java -jar ConfigSystem-1.0-SNAPSHOT.jar
//ps -ef 查找所有java进程;grep ConfigSystem-1.0-SNAPSHOT.jar 用于模糊查询该ConfigSystem-1.0-SNAPSHOT.jar;grep -v grep 过滤到自身grep进程
//其中8755 便是该进程ID

//可以根据端口号查看进程
[root@ppp_m_db publish]# lsof -i:8988
COMMAND  PID USER   FD   TYPE    DEVICE SIZE/OFF NODE NAME
java    8755 root   38u  IPv6 670658998      0t0  TCP bogon:8988->localhost:58056 (ESTABLISHED)
java    8755 root   40u  IPv6 670587489      0t0  TCP bogon:8988->localhost:58261 (ESTABLISHED)
java    8755 root   47u  IPv6 665496983      0t0  TCP *:8988 (LISTEN)

//其中8755 便为进程ID
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值